NHÂN VIÊN

Mô tả công việc

• Tham gia triển khai các giải pháp khoa học dữ liệu cùng chuyên gia và phối hợp chặt chẽ với các đơn vị kinh doanh/vận hành để giải quyết các bài toán thực tế có tính ứng dụng cao. • Ứng dụng các kỹ thuật phân tích nâng cao, xác suất thống kê, học máy, học sâu và GenAI để khám phá hành vi và thấu hiểu khách hàng, từ đó đưa ra insight có giá trị nhằm thúc đẩy kinh doanh. • Tham gia phát triển các mô hình học máy, học sâu và ứng dụng GenAI nhằm phục vụ các mục tiêu như: dự báo khách hàng rời đi (churn prediction), bán chéo/bán tăng sản phẩm (cross/up-sell), phân khúc khách hàng (segmentation), dự đoán giá trị vòng đời khách hàng (CLTV), và cá nhân hóa trải nghiệm khách hàng. • Tham gia xây dựng sản phẩm AI/ML/GenAI hỗ trợ tự động hóa và tối ưu hóa các quy trình vận hành ngân hàng từ xử lý hồ sơ, thẩm định, hỗ trợ chăm sóc khách hàng đến vận hành nội bộ,… • Nghiên cứu & cập nhật kỹ thuật, công nghệ mới. • Thực hiện các công việc khác theo phân công của cấp thẩm quyền. Yêu cầu công việc Cùng với những yêu cầu chung của chương trình Young Talents, vị trí này tìm kiếm ứng viên có thêm các kiến thức, kỹ năng và kinh nghiệm như sau: • Chuyên ngành đào tạo: Khoa học Máy tính (Computer Science), Toán học/Toán ứng dụng (Mathematics/Applied Mathematics), Thống kê (Statistics), Kỹ thuật (Engineering), Khoa học Dữ liệu (Data Science), Kinh tế lượng, Tài chính định lượng (Econometrics, Quantitative Finance), hoặc các ngành liên quan đến phân tích dữ liệu và xử lý thông tin. • Có kiến thức về các mô hình thống kê, kỹ thuật dự báo, thuật toán học máy, học sâu và/hoặc GenAI; có khả năng phát triển các phương án kỹ thuật đó với bài toán thực tế. • Có khả năng vận dụng các kỹ thuật phân tích thống kê, kiểm định giả thuyết và phân tích dữ liệu. • Có kinh nghiệm làm việc với SQL và Excel để xử lý và phân tích dữ liệu. • Ưu tiên: Thành thạo Python và các thư viện phổ biến phục vụ cho phân tích nâng cao, học máy, học sâu (như Pandas, Scikit-learn, TensorFlow, PyTorch) và GenAI (Transformers, LangChain...). • Ưu tiên: Ứng viên có một trong số các kinh nghiệm: o Phát triển các phân tích nâng cao, xây dựng và triển khai mô hình dự báo/mô hình học máy/ học sâu và/hoặc ứng dụng AI/GenAI trên các nền tảng cloud phổ biến như AWS, Azure, Google Cloud, và/hoặc Databricks,…. o Phân tích dữ liệu và báo cáo (có khả năng diễn giải dữ liệu và đưa ra các gợi ý hành động cụ thể, phục vụ các mục tiêu kinh doanh) o Phối hợp và làm việc nhóm (bao gồm các nhóm kỹ thuật và kinh doanh) để triển khai giải pháp. 2. CHUYÊN VIÊN PHÂN TÍCH NGHIỆP VỤ – TT AI FACTORY Mô tả công việc Nghiên cứu, đề xuất, tư vấn, triển khai giải pháp công nghệ, quy hoạch tính năng nhằm hỗ trợ phát triển sản phẩm, tối ưu quy trình trong việc triển khai các dự án AI cho nội bộ các phòng ban. Công việc này góp phần nâng cao hiệu quả vận hành, thúc đẩy đổi mới sáng tạo trong ứng dụng AI vào các hoạt động của Ngân hàng. Các công việc chính cần thực hiện: • Phân tích & Thu thập Yêu cầu: Làm việc cùng các phòng ban để nắm bắt & phân tích các yêu cầu nghiệp vụ. • Thiết kế & Mô hình hóa: Tham gia trực tiếp vào việc vẽ các biểu đồ hệ thống (Use Case Diagrams, Sequence Diagrams, Flowcharts) để làm rõ luồng tương tác giữa người dùng và hệ thống. • Quản trị Dữ liệu AI: Phối hợp cùng đội ngũ AI Engineer/kỹ thuật để chuẩn bị dữ liệu đầu vào (data samples), hỗ trợ thiết kế và tinh chỉnh để tối ưu phản hồi của các mô hình AI. • Kiểm thử & Đánh giá (UAT): Trực tiếp xây dựng kịch bản kiểm thử, tham gia nghiệm thu & hướng dẫn người dùng (UAT) • Soạn thảo Tài liệu: Xây dựng, chuẩn hóa và duy trì hệ thống tài liệu dự án, tài liệu hướng dẫn sử dụng sản phẩm một cách logic và mạch lạc.

Phân tích kỹ năng cần có

## Phân tích Kỹ năng cho Vị trí AI Factory - VPBank ### 1. Vị trí 1: Young Talents - Data Science/AI (chuyên về kỹ thuật) **Hard Skills bắt buộc:** | Kỹ năng | Mức độ yêu cầu | Ghi chú | |---|---|---| | SQL | Thành thạo | Xử lý và truy vấn dữ liệu, yêu cầu cốt lõi | | Excel | Thành thạo | Phân tích dữ liệu cơ bản | | Thống kê & Xác suất | Tốt | Kiểm định giả thuyết, phân tích dữ liệu | | Machine Learning | Có kiến thức nền | Thuật toán học máy cơ bản đến trung bình | | Deep Learning | Có kiến thức | Neural networks, CNN, RNN... | | GenAI/LLM | Có kiến thức | Transformers, RAG, Prompt Engineering | **Hard Skills ưu tiên:** | Kỹ năng | Ưu tiên | Framework/Tool gợi ý | |---|---|---| | Python | Rất cao | Pandas, NumPy, Scikit-learn | | Deep Learning | Cao | TensorFlow, PyTorch, Keras | | GenAI | Cao | LangChain, Hugging Face, Transformers | | Cloud Platform | Cao | AWS, Azure, GCP, Databricks | | Big Data | Trung bình | Spark, Hadoop | | MLOps | Trung bình | Docker, CI/CD, Model monitoring | **Chứng chỉ gợi ý:** - Google Professional Data Engineer - AWS Certified Machine Learning Specialty - Microsoft Certified: Azure AI Engineer - DeepLearning.AI TensorFlow Developer Certificate - Kaggle Competition medals (có giá trị cao) --- ### 2. Vị trí 2: Chuyên viên Phân tích nghiệp vụ - AI Factory **Hard Skills:** | Kỹ năng | Mức độ | Chi tiết | |---|---|---| | Phân tích nghiệp vụ (BA) | Thành thạo | Thu thập yêu cầu, mô hình hóa quy trình | | UML/BPMN | Tốt | Use Case Diagram, Sequence Diagram, Flowchart | | SQL | Trung bình-Khá | Truy vấn dữ liệu cơ bản | | Documentation | Thành thạo | Viết tài liệu dự án, tài liệu hướng dẫn | | Testing (UAT) | Tốt | Xây dựng kịch bản kiểm thử | | Data literacy | Khá | Hiểu dữ liệu, chuẩn bị data samples | **Soft Skills quan trọng:** - **Giao tiếp**: Làm việc với cả team kỹ thuật lẫn business stakeholder - **Tư duy phân tích**: Diễn giải yêu cầu nghiệp vụ thành giải pháp kỹ thuật - **Quản lý dự án**: Phối hợp nhiều bên, theo dõi tiến độ - **Thuyết trình**: Trình bày giải pháp, đề xuất với lãnh đạo --- ### So sánh 2 vị trí để bạn tự định hướng: | Tiêu chí | Young Talents (Tech) | Chuyên viên BA | |---|---|---| | Trọng tâm | Xây dựng model, code ML/AI | Kết nối nghiệp vụ - kỹ thuật | | Code nhiều? | Rất nhiều (Python) | Ít (SQL, tool hỗ trợ) | | Tương tác | Với data scientists, engineers | Với business units, users | | Đầu ra | Mô hình, API, pipeline | Tài liệu, flow, kịch bản test | | Phù hợp nếu bạn... | Thích code, nghiên cứu AI | Thích hiểu nghiệp vụ, giao tiếp | ### Khuyến nghị lộ trình lên Level: **Mới vào (Fresh/Intern):** Python cơ bản → SQL → Kaggle beginner → tham gia project nhỏ **Junior (0-2 năm):** Xây được model end-to-end → Cloud basics → Deploy đầu tiên **Mid (2-4 năm):** Production-level ML → GenAI fine-tuning → Team lead nhỏ **Senior (4+ năm):** ML System Design → A/B testing → Business impact metrics

Chuẩn bị phỏng vấn

## Hướng dẫn chuẩn bị phỏng vấn VPBank - AI Factory --- ### Quy trình phỏng vấn Young Talents VPBank **Thông thường gồm 4 vòng:** | Vòng | Nội dung | Thời gian | Ghi chú | |---|---|---|---| | Vòng 1 | Sàng lọc hồ sơ + Test logic/IQ | Online | Tỷ lệ loại cao | | Vòng 2 | Test chuyên môn (SQL, Python, Statistics) | Offline/Online | 60-90 phút | | Vòng 3 | Phỏng vấn chuyên sâu với Trưởng bộ phận | 45-60 phút | Hỏi sâu về project, kỹ thuật | | Vòng 4 | HR/Trực tiếp Ban lãnh đạo | 30-45 phút | Văn hóa, định hướng | --- ### Câu hỏi hay gặp theo từng vòng **Vòng 1 - Test logic:** - Đề thi thường gồm: IQ logic, đọc hiểu, số học - TIPS: Làm nhanh, không dừng lâu ở câu nào - Thời gian: ~30-45 câu trong 30-40 phút **Vòng 2 - Test kỹ thuật:** *Cho Young Talents (Tech):* ``` - Viết SQL query: JOIN, GROUP BY, window function - Python: pandas, list comprehension, dictionary - Statistics: probability, distribution, hypothesis testing - ML: giải thích thuật toán, overfitting, regularization - Case study: "Cách nào dự báo churn khách hàng?" ``` *Câu hỏi mẫu Vòng 2:* 1. "Viết SQL lấy top 3 khách hàng có tổng giao dịch cao nhất theo tháng" 2. "Giải thích sự khác nhau giữa Random Forest và Gradient Boosting" 3. "Xác suất để 2 người cùng sinh nhật trong 1 phòng 30 người?" 4. "Overfitting là gì? Nêu cách khắc phục" 5. "Explain attention mechanism trong Transformer" *Cho vị trí BA:* ``` - Vẽ flowchart cho quy trình cho vay - SQL cơ bản: SELECT, WHERE, JOIN - Mô tả cách điều phối giữa team tech và business - Xử lý khi stakeholder thay đổi yêu cầu liên tục ``` **Vòng 3 - Phỏng vấn Trưởng bộ phận:** *Câu hỏi kỹ thuật sâu:* - "Mô tả 1 project ML/AI bạn đã làm từ đầu đến cuối" - "Khi model không perform well trên production, bạn sẽ làm gì?" - "GenAI khác gì với traditional ML? Khi nào dùng cái nào?" - "Bạn biết gì về AI Factory của VPBank? Tại sao muốn vào đây?" - "Describe your thesis/research và ứng dụng thực tế" *Behavioral questions:* - "Kể về lần bạn phải học 1 công nghệ mới trong thời gian ngắn" - "Thất bại lớn nhất trong quá trình làm việc?" - "Bạn làm việc nhóm như thế nào với người không cùng background?" **Vòng 4 - HR/Lãnh đạo:** - "Tại sao chọn VPBank mà không phải ngân hàng khác?" - "5 năm tới bạn thấy mình ở đâu?" - "Bạn hiểu gì về chiến lược AI của VPBank?" - "Mức lương kỳ vọng?" - "Bạn có câu hỏi gì cho chúng tôi?" ← CHUẨN BỊ 2-3 CÂU HỎI HAY --- ### Dress Code - **Trang phục:** Business casual (nam: áo sơ mi, quần dài; nữ: áo kiểu chỉnh tề) - VPBank không quá formal nhưng vẫn cần lịch sự, chỉn chu - Đặc biệt vòng 4 gặp lãnh đạo: nên ăn mặc tốt hơn một chút --- ### Tips chuẩn bị đặc thù cho AI Factory VPBank 1. **Research trước:** Tìm hiểu VPBank AI Factory là gì, đã làm những dự án nào, chiến lược GenAI của VPBank 2. **Đọc tin tức ngành:** Fintech, AI banking, digital banking đang là xu hướng 3. **Chuẩn bị portfolio/project:** Nếu có GitHub, notebook Kaggle, demo cá nhân - mang theo/mang link 4. **Practice coding thật:** Không chỉ biết lý thuyết, phải viết được code thật 5. **Mock interview:** Tập trả lời với bạn bè hoặc record lại 6. **Tâm lý:** Young Talents = nhiều áp lực, nên thể hiện sự quyết tâm và khả năng học nhanh

Lộ trình ôn thi

## Ôn thi & Chuẩn bị cho VPBank AI Factory --- ### Lộ trình chuẩn bị 2 tuần ( Intensive) **Tuần 1: Củng cố nền tảng** | Ngày | Chủ đề | Tài liệu | Thực hành | |---|---|---|---| | Ngày 1-2 | SQL Master | W3Schools, LeetCode SQL | 20 bài LeetCode Easy-Medium | | Ngày 3-4 | Python + Pandas | Python crash course | Thực hành trên dataset thật | | Ngày 5-6 | Statistics & Probability | Khan Academy, StatQuest | Giải 20 bài xác suất | | Ngày 7 | ML Fundamentals | Scikit-learn docs, Coursera ML | Ôn 5-7 thuật toán cốt lõi | **Tuần 2: Chuyên sâu + Mock interview** | Ngày | Chủ đề | Tài liệu | Thực hành | |---|---|---|---| | Ngày 8-9 | Deep Learning + GenAI | Coursera, Hugging Face | Build 1 simple project | | Ngày 10-11 | Case study banking AI | Research VPBank, BCG, McKinsey reports | Prepare 2-3 cases | | Ngày 12-13 | Mock interview | Tự hoặc với bạn | Record + review | | Ngày 14 | Review + Relax | Ghi chú, flashcards | Ngủ đủ, tự tin | --- ### Tài liệu tham khảo chi tiết **SQL:** - LeetCode Database section (Easy → Medium) - "SQL Practice Problems" - chủ đề JOIN, GROUP BY, subquery, window function - Focus: Window functions (LAG, LEAD, RANK, DENSE_RANK) **Python & Data:** - Kaggle Python course miễn phí - "Python for Data Analysis" - Wes McKinney - Thực hành: Pandas groupby, merge, pivot_table **Machine Learning:** - "Hands-On Machine Learning" - Aurélien Géron (bìa scikit-learn & TensorFlow) - StatQuest YouTube (giải thích đơn giản, dễ hiểu) - Ôn kỹ: Linear/Logistic Regression, Decision Tree, Random Forest, XGBoost, K-Means **Deep Learning:** - Coursera Deep Learning Specialization (Andrew Ng) - Week 1-4 - Attention is All You Need (paper gốc - đọc tóm tắt) - Hugging Face Course **GenAI/LLM:** - Prompt Engineering Guide (promptingguide.ai) - RAG basics, LangChain basics - Hiểu: Fine-tuning vs RAG vs Prompt Engineering **Banking/Fintech domain:** - Đọc: "AI in Banking" - các case study VPBank, Techcombank - BCG, McKinsey reports về AI in financial services - Hiểu các bài toán: churn, cross-sell, credit scoring, fraud detection --- ### Các chủ đề cần ôn đặc biệt kỹ cho ngân hàng 1. **Credit scoring model:** Logistic regression, PD model, scorecard 2. **Customer churn prediction:** Binary classification, survival analysis 3. **Customer segmentation:** Clustering (K-means, hierarchical) 4. **CLTV prediction:** Regression, survival analysis 5. **Fraud detection:** Imbalanced data, anomaly detection 6. **GenAI applications in banking:** Customer service chatbot, document processing, personalized recommendations --- ### Practice Code Snippets cần nắm vững ```python # 1. SQL Window Function SELECT customer_id, month, SUM(amount) OVER (PARTITION BY customer_id ORDER BY month) as cum_amount, LAG(amount, 1) OVER (PARTITION BY customer_id ORDER BY month) as prev_month FROM transactions; # 2. Pandas - Feature Engineering df['recency'] = (reference_date - df['last_purchase']).dt.days df['frequency'] = df.groupby('customer_id')['transaction_id'].transform('count') df['monetary'] = df.groupby('customer_id')['amount'].transform('sum') # 3. Model Evaluation from sklearn.metrics import classification_report, roc_auc_score print(classification_report(y_test, y_pred)) print(f"AUC: {roc_auc_score(y_test, y_proba)}") ```

Tư vấn nghề nghiệp

## Lời khuyên sự nghiệp - Vị trí AI Factory VPBank --- ### Lộ trình thăng tiến điển hình **Young Talents → Junior Data Scientist (0-2 năm)** - Tham gia xây dựng model dưới sự hướng dẫn - Chuyên sâu 1-2 domain (churn, scoring...) - Tự build và deploy model đầu tiên **Junior → Mid-level Data Scientist (2-4 năm)** - Lead 1 project nhỏ hoặc thành phần lớn của project - Thành thạo end-to-end: từ data → model → production - Mentor fresher, review code đồng nghiệp - Mở rộng: A/B testing, MLOps basics **Mid → Senior Data Scientist / Lead (4-6 năm)** - Thiết kế giải pháp AI cho toàn bộ domain - Đo lường business impact (revenue, cost saving) - Quản lý team nhỏ (3-5 người) - Tech lead, architecture decisions **Senior → Principal / Manager / AI Product Owner (6+ năm)** - Định hướng chiến lược AI của VPBank - Đối đầu với C-level về AI roadmap - Có thể chuyển sang Product Manager AI --- ### Mức lương kỳ vọng theo cấp bậc (tham khảo thị trường Việt Nam 2024) | Cấp bậc | Kinh nghiệm | Mức lương tháng (VND) | |---|---|---| | Intern/Fresher (Young Talent) | 0 | 10-18 triệu | | Junior | 0-2 năm | 18-28 triệu | | Mid-level | 2-4 năm | 28-45 triệu | | Senior | 4-6 năm | 45-70 triệu | | Lead/Principal | 6+ năm | 70-120 triệu | **Lưu ý:** - Young Talents VPBank thường có lộ trình riêng, lương cạnh tranh hơn market - VPBank nổi tiếng bonus hậu hĩnh, tổng package có thể cao hơn base salary đáng kể - Phúc lợi: BHXH, BHYT, bảo hiểm sức khỏe cao cấp, du lịch, training --- ### Kỹ năng cần phát triển thêm để tăng giá trị **Kỹ năng kỹ thuật cần bổ sung:** ``` 1. Cloud + MLOps: AWS/Azure/GCP (Ưu tiên AWS hoặc Azure) 2. MLOps tools: MLflow, Kubeflow, Airflow, Docker 3. LLM fine-tuning: RLHF, PEFT (LoRA) 4. Real-time ML systems: Feature store, Model serving 5. A/B testing & Experimentation design ``` **Kỹ năng mềm cần phát triển:** ``` 1. Business acumen: Hiểu KPIs ngân hàng, revenue drivers 2. Communication: Diễn giải kết quả ML cho non-technical stakeholders 3. Project management: Quản lý timeline, stakeholder expectation 4. Leadership: Mentor, code review, knowledge sharing 5. Domain expertise: Credit risk, customer analytics, compliance ``` --- ### So sánh VPBank AI Factory với các lựa chọn khác | Tiêu chí | VPBank AI Factory | Ngân hàng khác (VCB, TCB, ACB) | Fintech (VNPay, MoMo, Moca) | |---|---|---|---| | Lương | Trung bình-cao | Trung bình | Cao (có cổ phần) | | Công nghệ | Hiện đại, GenAI focus | Đang chuyển đổi số | Rất hiện đại | | Áp lực | Cao | Trung bình | Rất cao | | Thăng tiến | Nhanh (Young Talent) | Chậm hơn | Nhanh, nhiều cơ hội startup | | Work-life balance | Trung bình | Tốt hơn | Khó đoán | | Phù hợp nếu... | Muốn học AI nhanh, chấp nhận áp lực | Ổn định lâu dài | Ambition cao, risk tolerance | --- ### LỜI KHUYÊN QUAN TRỌNG NHẤT **Đây là cơ hội vàng nếu bạn:** - Mới ra trường hoặc có <2 năm kinh nghiệm - Muốn nhảy vào mảng AI/GenAI ngay - Chấp nhận môi trường năng động, nhiều thử thách **Cân nhắc kỹ nếu bạn:** - Cần work-life balance ổn định - Không thích môi trường ngân hàng truyền thống - Muốn chuyên sâu 1 công nghệ cụ thể (genAI có thể làm nhiều thứ) **Tip để thành công trong 90 ngày đầu:** 1. Hiểu nghiệp vụ ngân hàng trước (products, processes) 2. Tìm mentor trong team 3. Tham gia sprint planning, standup chủ động 4. Build 1 quick win (model/pipeline nhỏ) để tạo uy tín 5. Đọc document của các dự án cũ

Câu hỏi thường gặp

Em mới tốt nghiệp ngành Kinh tế, không học IT/Toán nhiều, có ứng tuyển được vị trí này không?

Hoàn toàn có thể! VPBank để mở rộng danh mục ngành đào tạo cho Young Talents, miễn là bạn có kiến thức nền vững về thống kê, xác suất và khả năng học nhanh. Tuy nhiên, bạn cần bù đắp bằng: (1) Tự học Python, SQL, Pandas cơ bản ngay; (2) Hoàn thành 1-2 project nhỏ để show trong CV; (3) Ôn kỹ probability, hypothesis testing vì đây là phần test bắt buộc. Nhiều bạn ngành Kinh tế, Tài chính đã vào VPBank AI Factory với background như bạn — quan trọng là thể hiện tinh thần ham học và project thực tế.

Vị trí này code nhiều không? Ngày đi làm typical như thế nào?

Tùy vị trí mà nặng nhẹ khác nhau. Với Young Talents (Tech), bạn sẽ code Python, viết SQL queries, xây model ML khá nhiều. Typical day có thể: 9h standup 15 phút → code/modeling 2-3 tiếng → họp với business stakeholders 1 tiếng → review code/data 1 tiếng → tự học/research 1 tiếng. Với BA, bạn sẽ ít code hơn, chủ yếu viết tài liệu, vẽ flowchart, họp với users. Cả hai đều có deadline sprint, nhưng nhìn chung VPBank không phải fintech quá áp lực như MoMo hay VNPay.

Mức lương Young Talents VPBank so với thị trường như thế nào?

Base salary của Young Talents VPBank ở mức cạnh tranh, thường nhỉnh hơn 10-20% so với mặt bằng chung của fresher tại các ngân hàng truyền thống. Tuy nhiên, điểm hấp dẫn nằm ở: (1) Lộ trình thăng tiến nhanh hơn nhiều so với các chương trình MT thông thường; (2) Được làm việc với GenAI/AI - công nghệ hot nhất hiện tại; (3) Cơ hội học hỏi từ chuyên gia cấp cao trong team. Nếu bạn quan tâm đến tổng package (base + bonus + phúc lợi), VPBank ở mức tốt trong ngành ngân hàng.

KPI của Data Scientist ở AI Factory VPBank đánh giá trên tiêu chí gì?

Thông thường KPI gồm: (1) Số model/solution deployed vào production và impact đo lường được (ví dụ: giảm churn X%, tăng conversion Y%); (2) Chất lượng code, model performance (accuracy, AUC, precision/recall tùy bài toán); (3) Collaboration - phối hợp với business để deliver đúng deadline; (4) Knowledge sharing - chia sẻ kiến thức trong team. Điểm khác biệt với vị trí tech thuần là bạn cần chứng minh model tạo ra giá trị kinh doanh thực tế, không phải chỉ đẹp trên notebook.

Em có 1 năm kinh nghiệm làm Excel data analysis cho công ty FMCG, muốn chuyển sang ngành ngân hàng. Nên chuẩn bị gì?

Background của bạn rất phù hợp cho vị trí BA AI Factory. Bước chuẩn bị: (1) Học SQL ngay - đây là kỹ năng bắt buộc và bạn chưa có; (2) Học 1 công cụ visualization như Power BI hoặc Tableau; (3) Viết CV nhấn mạnh: kinh nghiệm phân tích dữ liệu nghiệp vụ, làm việc với stakeholders, viết báo cáo; (4) Chuẩn bị stories về việc bạn đã translate dữ liệu thành actionable insights trong công việc cũ. Về lương, kỳ vọng ở mức Junior BA (18-25 triệu) là hợp lý.

GenAI và LLM đang rất hot, vị trí này có được làm việc thực sự với GenAI không hay chỉ là buzzword?

VPBank đã thành lập AI Factory với trọng tâm GenAI, nên đây không phải buzzword đâu. Tuy nhiên, Real talk: nếu bạn mới vào với tư cách Young Talent, bạn sẽ bắt đầu từ ML cơ bản trước (churn, scoring, segmentation) rồi mới đến GenAI. Để làm GenAI thực sự, bạn cần nắm vững ML fundamentals trước. GenAI layer nằm trên nền tảng ML. Cơ hội tiếp cận GenAI tại VPBank cao hơn nhiều ngân hàng khác vì họ đầu tư mạnh vào mảng này, nhưng hãy đặt kỳ vọng đúng: 6-12 tháng đầu tập trung nền tảng, sau đó mới đi sâu vào LLM fine-tuning, RAG, agentic workflows.

Cơ hội thăng tiến từ Young Talent lên Senior nhanh không? Lộ trình cụ thể ra sao?

Young Talents là chương trình fast-track, nên lộ trình nhanh hơn bình thường. Typical path: vào ở level Junior → sau 1.5-2 năm lên Mid-level (nếu perform tốt) → Senior sau thêm 2-3 năm. Tổng cộng có thể lên Senior trong 3.5-5 năm, so với 5-7 năm ở vị trí thường. Điều kiện: deliver được model có business impact, học nhanh, collaborate tốt với team. Đặc biệt, VPBank có văn hóa đề bạt internal, nên cơ hội đi lên khá rõ ràng nếu bạn chứng tỏ được năng lực.

Nên chuẩn bị project/portfolio như thế nào để gây ấn tượng khi phỏng vấn?

Chuẩn bị 1-2 project hoàn chỉnh, không phải nhiều mà phải chất. Project lý tưởng: (1) End-to-end: thu thập data → clean → feature engineering → build model → evaluate → recommend business action; (2) Liên quan đến bài toán ngân hàng (churn, credit scoring, customer segmentation) - không có thì tự làm với dataset public (Kaggle UCI Bank); (3) Đủ technical nhưng trình bày được bằng ngôn ngữ non-technical. Đặc biệt: nếu có GitHub với clean code, README rõ ràng, kết quả model documented — đây là điểm cộng lớn. Nhiều interviewer sẽ hỏi chi tiết project của bạn.

Young Talents Khối Quản trị và Phân tích dữ liệu - TT AI Factory